app modif buffer2

app.py

@@ -19,6 +19,8 @@ Nous allons explorer :
 df = pd.read_csv("data/get_around_delay_analysis.csv")
 df_pricing = pd.read_csv("data/pricing_clean.csv")
 
+loc_moyenne = df_pricing["rental_price_per_day"].mean()
+
 # === SECTION 1 : EDA SUR LES RETARDS ===
 st.header("📊 Analyse des retards et annulations")
 
@@ -76,7 +78,7 @@ st.metric("Moyenne retard précédent (conflits seulement) :", conflict_strict["
 
 st.markdown("""
 👉 Parmi les **229 annulations liées à une location précédente**,  
-**37** sont dues à un **retard allant au delà de l'heure de début de la prochaine location.  
+**37** sont dues à un retard allant au delà de l'heure de début de la prochaine location.  
 Ces retards sont très longs (~4h15 en moyenne).
 """)
 
@@ -106,13 +108,101 @@ results = [
     {"Buffer": "-180 min", "Conflits": len(conflict_minus180), "Moyenne retard (min)": conflict_minus180["delay_at_checkout_in_minutes"].mean()},
 ]
 df_conflicts = pd.DataFrame(results)
-
+df_conflicts['lost_value'] = df_conflicts["Conflits"]*loc_moyenne
 st.dataframe(df_conflicts)
 
 st.markdown("""Si on ajoute un buffer de 30 minutes, on détecte 10 annulations supplémentaires : ces cas correspondent à des locations rendues trop proches de la suivante (<30 min de marge).
 Avec un buffer de 60 minutes, seulement 3 cas en plus → ce sont donc des situations rares mais critiques.
 En élargissant à 90 minutes, on ajoute encore 7 cas.""")
 
+st.mardown(""" ANALYSE SUR MOBILE """)
+
+# Dans le cas de l'application mobile
+mask = merged["checkin_type_canceled"] == "mobile"
+merged_mob = merged[mask]
+conflict_strict1= merged_mob[
+    merged_mob["delay_at_checkout_in_minutes"] > merged_mob["time_delta_with_previous_rental_in_minutes"]
+]
+print("Conflits stricts :", len(conflict_strict1))
+print("Moyenne retard précédent (conflits seulement) :", conflict_strict1["delay_at_checkout_in_minutes"].mean().round(2))
+
+# Cas "conflit -30min"
+conflict_1minus30 = merged_mob[
+    merged_mob["delay_at_checkout_in_minutes"] > merged_mob["time_delta_with_previous_rental_in_minutes"] - 30
+]
+
+# Cas "conflit -60min"
+conflict_1minus60 = merged_mob[
+    merged_mob["delay_at_checkout_in_minutes"] > merged_mob["time_delta_with_previous_rental_in_minutes"] - 60
+]
+
+conflict_1minus90 = merged_mob[
+    merged_mob["delay_at_checkout_in_minutes"] > merged_mob["time_delta_with_previous_rental_in_minutes"] - 90
+]
+
+conflict_1minus180 = merged_mob[
+    merged_mob["delay_at_checkout_in_minutes"] > merged_mob["time_delta_with_previous_rental_in_minutes"] - 180
+]
+
+# Création d'une liste de résultats
+results = [
+    {"Buffer": "-30 min", "Conflits": len(conflict_1minus30), "Moyenne retard (min)": conflict_1minus30["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-60 min", "Conflits": len(conflict_1minus60), "Moyenne retard (min)": conflict_1minus60["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-90 min", "Conflits": len(conflict_1minus90), "Moyenne retard (min)": conflict_1minus90["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-180 min", "Conflits": len(conflict_1minus180), "Moyenne retard (min)": conflict_1minus180["delay_at_checkout_in_minutes"].mean()},
+]
+df_conflicts_mob = pd.DataFrame(results)
+df_conflicts_mob['lost_value'] = df_conflicts_mob["Conflits"]*loc_moyenne
+st.dataframe(df_conflicts_mob)
+
+st.mardown(""" ANALYSE SUR CONNECT """)
+# Dans le cas de l'utilisation de connect
+mask = merged["checkin_type_canceled"] == "connect"
+merged_connect = merged[mask]
+conflict_strict2 = merged_connect[
+    merged_connect["delay_at_checkout_in_minutes"] > merged_connect["time_delta_with_previous_rental_in_minutes"]
+]
+print("Conflits stricts :", len(conflict_strict2))
+print("Moyenne retard précédent (conflits seulement) :", conflict_strict2["delay_at_checkout_in_minutes"].mean().round(2))
+
+# Cas "conflit -30min"
+conflict_2minus30 = merged_connect[
+    merged_connect["delay_at_checkout_in_minutes"] > merged_connect["time_delta_with_previous_rental_in_minutes"] - 30
+]
+
+# Cas "conflit -60min"
+conflict_2minus60 = merged_connect[
+    merged_connect["delay_at_checkout_in_minutes"] > merged_connect["time_delta_with_previous_rental_in_minutes"] - 60
+]
+
+conflict_2minus90 = merged_connect[
+    merged_connect["delay_at_checkout_in_minutes"] > merged_connect["time_delta_with_previous_rental_in_minutes"] - 90
+]
+
+conflict_2minus180 = merged_connect[
+    merged_connect["delay_at_checkout_in_minutes"] > merged_connect["time_delta_with_previous_rental_in_minutes"] - 180
+]
+
+# Création d'une liste de résultats
+results = [
+    {"Buffer": "-30 min", "Conflits": len(conflict_2minus30), "Moyenne retard (min)": conflict_2minus30["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-60 min", "Conflits": len(conflict_2minus60), "Moyenne retard (min)": conflict_2minus60["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-90 min", "Conflits": len(conflict_2minus90), "Moyenne retard (min)": conflict_2minus90["delay_at_checkout_in_minutes"].mean()},
+    {"Buffer": "-180 min", "Conflits": len(conflict_2minus180), "Moyenne retard (min)": conflict_2minus180["delay_at_checkout_in_minutes"].mean()},
+]
+df_conflicts_con = pd.DataFrame(results)
+
+df_conflicts_con['lost_value'] = df_conflicts_con["Conflits"]*loc_moyenne
+
+st.dataframe(df_conflicts_con)
+
+st.mardown("""Les deux systèmes subissent des annulations liées aux délais courts.
+
+Connect est plus fréquent en volume absolu, mais ses retards sont légèrement moins sévères.
+
+Mobile présente moins de cas mais avec des retards plus longs → donc plus difficiles à absorber sans impact client.
+
+Les deux méthodes sont exposées aux retards, mais Connect encaisse plus de cas tandis que Mobile concentre les retards les plus importants.""" )